A New Estimator for Conditional Expectile-Based Value-at-Risk of a Linear Predictive Regression
线性预测回归中条件期望分位数型风险价值的新估计量AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以条件 EVaR 为风险度量，并研究其统计推断与金融风险评估应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
线性预测回归中条件期望分位数型风险价值的新估计量
- 研究问题
- 如何在线性预测回归及存在依赖的情形下，对条件期望分位数型风险价值进行大样本推断，并保持估计计算简便？
- 方法与思路
- 作者利用最小二乘残差构造条件 EVaR 的新估计量，研究依赖情形下的渐近性质，并以数值研究和风险评估应用说明表现。
- 材料陈述的贡献
- 摘要称，提出的残差估计量具有计算效率和良好的有限样本表现，并为线性预测回归中的条件 EVaR 推断提供渐近分析。
- 阅读关注点
- 应核对 EVaR 的定义与风险水平参数、残差估计步骤、依赖条件，以及回归参数估计误差如何进入最终推断。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断不同尾部或回归误设下的可靠性；具体渐近结论与应用数值未说明，刊本变化不可推断。
原文摘要
Since it is the only elicitable law-invariant coherent risk measure, the expectile-based value-at-risk (EVaR) is a recently recommended risk measure in financial risk management. This paper considers the large sample statistical inference problem of conditional EVaR under a linear predictive regression model. Based on the least-squares residuals, we propose a novel least-squares residual estimator for the conditional EVaR of a linear predictive regression. The asymptotic properties of the proposed estimator are investigated in the context of dependence. We illustrate that the proposed estimator is computationally efficient and has desirable finite sample performance through numerical studies and an empirical application to risk assessment.